结合多层次监督与边界损失的显著性目标检测

针对PoolNet网络多次下采样操作易降低空间分辨率、仅使用二分类交叉熵损失函数(BCE)不利于捕捉显著性目标边缘特征,易导致边缘检测精度不高的问题。通过在PoolNet网络解码器的5级特征融合模块(fuse)之后分别加入多层次监督模型(MSM),并对5级MSM的输出分别按照BCE、SSIM与IoU三个损失函数计算值的和作为边界损失函数值,最后将5级边界损失函数值的平均值作为网络的最终输出损失值,并按照随机梯度下降法进行学习。从而提出一种结合多层次监督与边界损失的显著性目标检测方法:PoolNet-D。在6个常用数据集上的对比实验结果表明,提出的PoolNet-D模型在MAE和F-measure评价指标方面均有明显提升。